Fugu-MT 論文翻訳(概要): Electrocardiogram Generation and Feature Extraction Using a Variational Autoencoder

論文の概要: Electrocardiogram Generation and Feature Extraction Using a Variational Autoencoder

arxiv url: http://arxiv.org/abs/2002.00254v1
Date: Sat, 1 Feb 2020 19:01:11 GMT
ステータス: 翻訳完了
システム内更新日: 2023-01-05 00:46:35.467949
Title: Electrocardiogram Generation and Feature Extraction Using a Variational Autoencoder
Title（参考訳）: 変分オートエンコーダを用いた心電図生成と特徴抽出
Authors: V. V. Kuznetsov and V. A. Moskalenko and N. Yu. Zolotykh
Abstract要約: 本稿では,変分オートエンコーダを用いて心電図(ECG)信号を生成する手法を提案する。この方法を用いて,新しい25個の特徴のベクトルを抽出し,多くの場合に解釈できる。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose a method for generating an electrocardiogram (ECG) signal for one cardiac cycle using a variational autoencoder. Using this method we extracted a vector of new 25 features, which in many cases can be interpreted. The generated ECG has quite natural appearance. The low value of the Maximum Mean Discrepancy metric, 0.00383, indicates good quality of ECG generation too. The extracted new features will help to improve the quality of automatic diagnostics of cardiovascular diseases. Also, generating new synthetic ECGs will allow us to solve the issue of the lack of labeled ECG for use them in supervised learning.
Abstract（参考訳）: 本稿では,変分オートエンコーダを用いて心電図(ECG)信号を生成する手法を提案する。この方法を用いて,新しい25個の特徴のベクトルを抽出し,多くの場合に解釈できる。生成されたECGは非常に自然な外観です。最大平均離散値 0.00383 の低い値は、ECG 生成の良質さを示している。抽出された新機能は、心臓血管疾患の自動診断の品質向上に役立つ。また、新しい合成ECGの生成により、教師あり学習に使用するラベル付きECGの欠如という問題を解決することができる。

関連論文リスト

GEM: Empowering MLLM for Grounded ECG Understanding with Time Series and Images [43.65650710265957]
GEMは,第1回MLLM統合ECG時系列,第12回リードECG画像,地上および臨床のECG解釈のためのテキストである。 GEMは、3つのコアイノベーションを通じて機能的解析、エビデンス駆動推論、および臨床医のような診断プロセスを可能にする。基礎心電図理解におけるMLLMの能力を評価するために,臨床動機付けのベンチマークであるグラウンドドECGタスクを提案する。
論文参考訳（メタデータ） (2025-03-08T05:48:53Z)
ECGtizer: a fully automated digitizing and signal recovery pipeline for electrocardiograms [0.8480931990442769]
ECGtizerは、紙ECGをデジタル化し、ストレージ中に失われた信号を復元するオープンソースツールである。自動リード検出、3つのピクセルベースの信号抽出アルゴリズム、ディープラーニングベースの信号再構成モジュールを採用している。
論文参考訳（メタデータ） (2024-12-09T10:19:02Z)
DCAE-SR: Design of a Denoising Convolutional Autoencoder for reconstructing Electrocardiograms signals at Super Resolution [5.368388861148683]
心電図(ECG)信号は心血管診断において重要な役割を担っている。 ECG記録における固有ノイズと限定分解能は、正確な解釈と診断を妨げる可能性がある。本稿では,DNAEを用いて心電図信号の内部の時間・周波数情報を強化する新しいECGスーパー解像度(SR)モデルを提案する。
論文参考訳（メタデータ） (2024-03-29T19:46:08Z)
MEIT: Multi-Modal Electrocardiogram Instruction Tuning on Large Language Models for Report Generation [41.324530807795256]
心電図(Electrocardiogram、ECG)は、心臓の状態をモニタリングするための主要な非侵襲的診断ツールである。最近の研究は心電図データを用いた心臓状態の分類に集中しているが、心電図レポートの生成は見落としている。 LLMとマルチモーダル命令を用いてECGレポート生成に取り組む最初の試みであるMultimodal ECG Instruction Tuning (MEIT) フレームワークを提案する。
論文参考訳（メタデータ） (2024-03-07T23:20:56Z)
Bayesian ECG reconstruction using denoising diffusion generative models [11.603515105957461]
健常心電図(ECG)データを用いて訓練したDDGM(denoising diffusion generative model)を提案する。以上の結果から, この革新的な生成モデルにより, 現実的なECG信号を生成できることが示唆された。
論文参考訳（メタデータ） (2023-12-18T15:56:21Z)
Digital twinning of cardiac electrophysiology models from the surface ECG: a geodesic backpropagation approach [39.36827689390718]
逆等角問題の解法としてGeodesic-BPを提案する。その結果,Geodesic-BPは人工心臓の活性化を高精度に再現できることが示唆された。パーソナライズド医療への将来のシフトを考えると、Geodesic-BPは将来の心臓モデルの機能化に役立つ可能性がある。
論文参考訳（メタデータ） (2023-08-16T14:57:12Z)
PulseNet: Deep Learning ECG-signal classification using random augmentation policy and continous wavelet transform for canines [46.09869227806991]
犬心電図(ECG)の評価には熟練した獣医が必要である。心電図の解釈と診断支援のための獣医師の現在の利用状況は限られている。犬の心電図配列を正常または異常と分類するためのディープ畳み込みニューラルネットワーク(CNN)アプローチを実装した。
論文参考訳（メタデータ） (2023-05-17T09:06:39Z)
ME-GAN: Learning Panoptic Electrocardio Representations for Multi-view ECG Synthesis Conditioned on Heart Diseases [24.52989747071257]
本稿では,ME-GAN と呼ばれる多視点心電図合成のための疾患認識型生成対向ネットワークを提案する。心臓疾患の心電図は特定の波形に局所化されることが多いため,適切な場所に病情報を正確に注入する「ミックスアップ正規化」を提案する。総合的な実験により,ME-GANは多視点ECG信号合成において信頼性の高いモルビッド表現を用いて良好に機能することが確認された。
論文参考訳（メタデータ） (2022-07-21T14:14:02Z)
Identifying Electrocardiogram Abnormalities Using a Handcrafted-Rule-Enhanced Neural Network [18.859487271034336]
我々は、深層学習に基づく心電図解析に臨床知識を提供するために、畳み込みニューラルネットワークにいくつかのルールを導入する。我々の新しいアプローチは、既存の最先端の手法をかなり上回っている。
論文参考訳（メタデータ） (2022-06-16T04:42:57Z)
Blind ECG Restoration by Operational Cycle-GANs [15.264145425539128]
心電図信号の持続的長期モニタリングは不整脈などの心疾患の早期発見に不可欠である。非クリニカルECG記録は、ベースライン、信号カット、モーションアーティファクト、QRS振幅の変動、ノイズ、その他の干渉といった深刻なアーティファクトに悩まされることが多い。サイクル整合型生成対向ネットワーク(Cycle-GAN)を用いた盲検心電図復元のための新しい手法を提案する。
論文参考訳（メタデータ） (2022-01-29T19:47:17Z)
Generalizing electrocardiogram delineation: training convolutional neural networks with synthetic data augmentation [63.51064808536065]
ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
論文参考訳（メタデータ） (2021-11-25T10:11:41Z)
Multilabel 12-Lead Electrocardiogram Classification Using Gradient Boosting Tree Ensemble [64.29529357862955]
我々は,心電図の診断を分類するために,形態や信号処理機能に適合した勾配強化木のアンサンブルを用いたアルゴリズムを構築した。各リードについて、心拍変動、PQRSTテンプレート形状、全信号波形から特徴を導出する。各クラスに属するECGインスタンスの確率を予測するため、全12項目の特徴と合わせて、勾配を増す決定ツリーの集合に適合する。
論文参考訳（メタデータ） (2020-10-21T18:11:36Z)
AdaIN-Switchable CycleGAN for Efficient Unsupervised Low-Dose CT Denoising [46.0231398013639]
スイッチング可能な1つのジェネレータを用いた新しいサイクルGANアーキテクチャを提案する。提案手法は,約半数のパラメータを用いて,前回のCycleGAN手法よりも優れていた。
論文参考訳（メタデータ） (2020-08-13T08:30:23Z)
SimGANs: Simulator-Based Generative Adversarial Networks for ECG Synthesis to Improve Deep ECG Classification [37.73516738836885]
心電図(ECG)合成の問題点について検討した。心臓動態を表す常微分方程式の系を用いて、生物学的に妥当な心電図トレーニング例を作成する。
論文参考訳（メタデータ） (2020-06-27T12:17:21Z)
ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed Quality Labeling Using Neural Networks [69.25956542388653]
ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
論文参考訳（メタデータ） (2020-05-11T16:29:12Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。